Fault diagnosis services and realistic fault models for HVAC systems

Abstract

Heating, Ventilation, and Air-Conditioning (HVAC) systems are large-scale distributed systems comprising distributed components, including controllers, sensors, and actuators that must be coordinated to establish the intended behavior. Therefore, HVAC systems are subject to single and multiple faults affecting the electronics, potentially causing high energy consumption, occupant discomfort, degraded indoor air quality, thermal conditions, and risk to critical infrastructures. In addition, in large-scale critical infrastructures, HVAC systems serve an essential role in emergencies. Emergency reactions demand realtime response, consistency, and fault tolerance. Fault tolerance is essential for both operational faults and design faults. In the development phase of fault-tolerant systems, simulation is a common technique to obtain insights into system functionality, performance, and dependability. It saves time, reduces cost and avoids risks of carrying out tests in the presence of faults in real-world systems. As a result, fault injection in simulation environments is an effective experimental method to validate and evaluate the dependability of HVAC systems. Fault injection in a simulation offers high controllability and observability. It is thus ideal for an early dependability analysis and fault-tolerance evaluation. HVAC systems in critical infrastructures are safety-relevant systems that should guarantee adequate ventilation and air conditions for occupants. Accordingly, in this thesis, a simulation-based fault injection framework with a combination of two techniques, simulator command and simulation code modification with realistic fault patterns is proposed and introduced as a generic and extendable framework. The fault-injection framework is integrated and connected to simulation models of other electronic components via the connection of ports. The fault injection framework is developed in a component-based structure, implemented and simulated in MATLAB/Simulink using Stateflow diagrams with healthy and faulty system states. To determine the fault attributes and the fault location, an automated fault injection algorithm is proposed and integrated with a system-model generation algorithm. The system structure is adaptable and its parameters such as the number of floors and the number of rooms on each floor are defined based on the system requirements. An automated single/multiple fault injection algorithm triggers faults and supports a comprehensive range of faults with corresponding fault attributes including the fault type, time, location, persistence, duration, interarrival time and occurrence incidence. To validate the fault injection framework, a scenario-based approach is used to study the system impact and quality of the services. Each scenario consists of multiple events and subevents that result in multiple fault injections. The fault injection framework considers a realistic fault model adding white noise with Gaussian distribution as signal uncertainties and it supports reproducibility for a set of specific fault scenarios and for random fault injection scenarios. The framework incorporates a multi-dimensional fault model and provides compatibility to a wide range of other simulation components. The experimental results of single and multiple fault injection components show the correctness, the system behavior, accuracy, and other system parameters, such as the heater energy consumption and heater duty cycle in the presence of different fault cases. The experimental results serve as a quantitative evaluation of key performance indicators (KPI) such as energy efficiency, air quality, and thermal comfort. For example, combining a CO2 sensor fault with a heater actuator fault impacts energy consumption significantly by more than 70%. Furthermore, in this thesis a novel and generic fault diagnostic technique based on the Fuzzy Bayesian Belief Network (FBBN) construction is integrated with a simulated system model as a monitoring approach to determine the causes of faulty operations based on system observations and measurements. A data-driven classifier algorithm is also proposed to be combined with knowledge-driven methods, including fuzzy theory and Bayesian belief networks, enabling accurate fault diagnosis in HVAC systems. In this thesis, the data-driven approach reduces time consumption through automation and classification based on automated ranking methods. The fuzzy theory relies on reasoning about the uncertainties and divides the system attributes into several subdomains to facilitate the probability calculations for continuous system attributes via proper likelihood membership functions based on the system specifications. The probabilities are used to construct the Bayesian belief network based on the correlations of the fuzzified system attributes using mutual information theory. Mutual information for all pairs of fuzzified subdomains must be calculated and a positive value of the mutual information is an indicator of a strong dependency between two subdomains. Eventually, fault injection supports the fault diagnosis technique to define different fault cases and produce the faulty output data as a time series, including all healthy and faulty system measurements. The FBBN algorithm specifies the stringent relations, direction, and probability features of all fuzzified subdomains using the produced time-series by injecting the different fault cases. The hybrid fault diagnostic technique uses a data-driven classifier in combination with fuzzy logic theory and a Bayesian Belief Network in offline and online modes. Offline mode trains an offline library based on relation-direction-probability relationships of subdomains. Online mode determined the most similar faults in the offline library with actual fault cases based on the correlation of system attributes and the ranking method. The results show high accuracy of diagnosing permanent stuck-at fault in different HVAC system components.

Heizungs-, Lüftungs- und Klimasysteme (HLK) sind große, verteilte Systeme mit elektronischen Komponenten, einschließlich Steuerungen, Sensoren und Aktoren, die koordiniert werden müssen, um das beabsichtigte Verhalten zu erreichen. Daher sind HLK-Systeme anfällig für Einzel- und Mehrfachfehler, die sich auf die Elektronik auswirken und einen hohen Energieverbrauch, Unbehagen bei den Bewohnern, eine verschlechterte Raumluftqualität, schlechte thermische Bedingungen und Risiken für kritische Infrastrukturen verursachen können. Darüber hinaus spielen HLK-Systeme in großen kritischen Infrastrukturen in Notfällen eine wesentliche Rolle. Notfallreaktionen erfordern Echtzeitreaktionen, Konsistenz und Fehlertoleranz. Fehlertoleranz ist sowohl bei Betriebs- als auch bei Konstruktionsfehlern unerlässlich. In der Entwicklungsphase fehlertoleranter Systeme ist die Simulation eine gängige Technik, um Einblicke in die Systemfunktionalität, Leistung und Zuverlässigkeit zu erhalten. Sie spart Zeit, senkt die Kosten und vermeidet Risiken, die mit der Durchführung von Tests bei Vorliegen von Fehlern in realen Systemen verbunden sind. Infolgedessen ist die Fehlerinjektion in Simulationsumgebungen eine effektive experimentelle Methode zur Validierung und Bewertung der Zuverlässigkeit von HLK-Systemen. Die Fehlerinjektion in einer Simulation bietet eine hohe Kontrollierbarkeit und Beobachtbarkeit. Sie ist daher ideal für eine frühzeitige Zuverlässigkeitsanalyse und Fehlertoleranzbewertung. HLK-Systeme in kritischen Infrastrukturen sind sicherheitsrelevante Systeme, die eine angemessene Belüftung und Klimatisierung für die Bewohner gewährleisten sollen. Dementsprechend wird in dieser Arbeit ein simulationsbasiertes Framework zur Fehlerinjektion mit einer Kombination aus zwei Techniken (d.h. Simulatorbefehle und Modifikation des Simulationscodes) mit realistischen Fehlermustern, vorgeschlagen und als generisches und erweiterbares Framework eingeführt. Das Framework zur Fehlerinjektion ist mit Simulationsmodellen anderer elektronischer Komponenten über Ports verbunden. Das Framework zur Fehlerinjektion wurde in einer komponentenbasierten Struktur entwickelt und in MATLAB/Simulink unter Verwendung von Stateflow-Diagrammen mit fehlerfreien und fehlerhaften Systemzuständen simuliert. Zur Bestimmung der Fehlerattribute und des Fehlerortes wird ein automatischer Fehlerinjektionsalgorithmus vorgeschlagen und mit einem Algorithmus zur Generierung von Systemmodellen integriert. Die Systemstruktur ist anpassungsfähig und die Parameter wie die Anzahl der Stockwerke und die Anzahl der Räume auf jedem Stockwerk werden auf der Grundlage der Systemanforderungen definiert. Ein automatisierter Algorithmus zur Injektion von Einzel- und Mehrfachfehlern unterstützt ein umfassendes Spektrum von Fehlern mit den entsprechenden Fehlerattributen, einschließlich Fehlertyp, Zeitpunkt, Ort, Dauer, Intervallzeit und Häufigkeit des Auftretens. Zur Validierung der Fehlerinjektion wird ein szenariobasierter Ansatz verwendet, um die Auswirkungen auf das System und die Qualität der Dienste zu untersuchen. Jedes Szenario besteht aus mehreren Ereignissen und Unterereignissen, die zu mehreren Fehlerinjektionen führen. Der Rahmen für die Fehlerinjektion berücksichtigt ein realistisches Fehlermodell, das weißes Rauschen mit Gaußscher Verteilung als Signalunsicherheiten hinzufügt, und die Reproduzierbarkeit für eine Reihe von spezifischen Fehlerszenarien und für zufällige Fehlerinjektionsszenarien unterstützt. Das Framework umfasst ein mehrdimensionales Fehlermodell und bietet Kompatibilität zu einer Vielzahl anderer Simulationskomponenten. Die experimentellen Ergebnisse der Komponenten mit einfacher und mehrfacher Fehlerinjektion zeigen die Korrektheit, das Systemverhalten, die Genauigkeit und andere Systemparameter wie den Energieverbrauch des Heizgeräts und die Einschaltdauer des Heizgeräts bei Vorliegen verschiedener Fehlerfälle. Die experimentellen Ergebnisse dienen zur quantitativen Bewertung der wichtigsten Leistungsindikatoren wie Energieeffizienz, Luftqualität und thermischer Komfort. So wirkt sich beispielsweise die Kombination eines Fehlers des CO2-Sensors mit einem Fehler des Heizungsaktuators um mehr als 70 % auf den Energieverbrauch aus. Darüber hinaus wird in dieser Arbeit ein neuartiges und allgemeines Fehlerdiagnoseverfahren, das auf der Konstruktion eines Fuzzy Bayesian Belief Network basiert, in ein simuliertes Systemmodell als Überwachungsansatz integriert, um die Ursachen für fehlerhafte Vorgänge auf der Grundlage von Systembeobachtungen und Messungen zu ermitteln. Es wird auch ein datengesteuerter Klassifizierungsalgorithmus vorgeschlagen, der mit wissensgesteuerten Methoden einschließlich der Fuzzy-Theorie und Bayesian Belief Networks kombiniert werden kann und eine genaue Fehlerdiagnose in HLK-Systemen ermöglicht. In dieser Arbeit reduziert der datengesteuerte Ansatz den Zeitaufwand durch Automatisierung und Klassifizierung auf der Grundlage automatischer Ranking-Methoden. Die Fuzzy-Theorie stützt sich auf Überlegungen zu den Unsicherheiten und unterteilt die Systemattribute in mehrere Teilbereiche, um die Wahrscheinlichkeitsberechnungen für kontinuierliche Systemattribute über geeignete Zugehörigkeitsfunktionen auf der Grundlage der Systemspezifikationen zu erleichtern. Die Wahrscheinlichkeiten werden verwendet, um das Bayesian Belief Network auf der Grundlage der Korrelationen der fuzzifizierten Systemattribute unter Verwendung der Theorie der gegenseitigen Information zu konstruieren. Die gegenseitige Information für alle Paare von fuzzifizierten Subdomänen muss berechnet werden, und ein positiver Wert der gegenseitigen Information ist ein Indikator für eine starke Abhängigkeit zwischen zwei Subdomänen. Schließlich unterstützt die Fehlerinjektion die Fehlerdiagnose-Technik, um verschiedene Fehlerfälle zu definieren und die fehlerhaften Ausgangsdaten als Zeitreihe zu erzeugen, die alle gesunden und fehlerhaften Systemmessungen enthält. Der Fuzzy Bayesian Belief Network Algorithmus spezifiziert die strengen Beziehungen, die Richtung und die Wahrscheinlichkeitsmerkmale aller fuzzifizierten Teilbereiche unter Verwendung der erzeugten Zeitreihen durch Injektion der verschiedenen Fehlerfälle. Die hybride Fehlerdiagnosetechnik verwendet einen datengesteuerten Klassifikator in Kombination mit der Inferenz von Fuzzy-Logik und einem Bayesian Belief Network im Offline- und Online-Modus. Im Offline-Modus wird eine Offline-Bibliothek auf der Grundlage von gerichteten Wahrscheinlichkeitsbeziehungen von Teilbereichen trainiert. Im Online-Modus werden die ähnlichsten Fehler in der Offline-Bibliothek mit den tatsächlichen Fehlerfällen auf der Grundlage der Korrelation von Systemattributen und der Ranking-Methode ermittelt. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Diagnose von permanenten Fehlern in verschiedenen Komponenten von HLK-Systemen.